这是一份对最基本CNN代码的很详细很详细解析，特别适合CNN刚入门的同学。

s=0.01;k1=0:s:3;k2=-1:s:2;k3=-1:s:0.5;f1=-2/3*k1+2;%f(t-2)f2=2/3*k2+2/3;%f(-t)f3=-4/3*k3+2/3;%f(2t)y0=conv(f1,f2);y0=y0*s;a0=k1(1)+k2(1);b0=length(f1)+length(f2)-2;k4=a0*s:s:(b0+a0)*s;y1=conv(f1,f3);y1=y1*s;a1=k1(1)+k3(1);b1=length(f1)+length(f3)-2;k5=a1*s:s:(b1+a1)*s;y2=conv(f2,f3)

Convolutional Auto-Encoders卷积自编码器的Matlab代码，可以运行caeexamples.m对手写数据mnist_uint8进行训练测试

%% convolution3D_FFTdomain - 在傅立叶空间中使用乘法在体积和内核之间执行快速 3D 卷积。 % % 语法：[outVol] = convolutionInFFTdomain(inVol,inKer) % 输入： % inVol - 输入量（实数/复数） % inKer - 输入内核（实数/复数） % 输出： % outVol - 输出卷积体积（实数/复数） - 输出格式的精度与输入相同％ 体积。 输出卷是卷积的中心部分，其大小与 inVol 相同。 % size(outVol)=size(inVol)（convn 的“相同”选项）。 它是http://www.mathworks.com/matlabcentral/fileexchange/24504的专用版本，用于体积和内核（小）之间的 3D 卷积。 为小体积（<128x128x128，内核 20x20x2

完整卷积神经网络鲜花的二分类，同时包含模型搭建、数据处理、选择面板框等，还有生成的折线图来进行准确率的对比分析和损失值的对比分析，饼图为耗时分析 压缩包同时还包含答辩PPT，和项目报告书(有背景，发展现状，方法，结果分析与讨论等等

硬件实现的卷积神经网络（verilog） Verilog 81.6% Objective-C 9.0% Python 5.0%

用卷积滤波器matlab代码图像卷积实验室 MATLAB编码 该实验室实现了灰度图像的图像卷积，在许多计算机视觉系统（例如，用于边缘检测）和大多数图像编辑程序（例如Photoshop）（例如，用于图像锐化）中实现的基本图像过滤功能。 这里使用的图像是“ cameraman.tif”。 关于基本卷积 函数：fun result = basic_convolution（image，kernel）将灰度图像（2D矩阵）和过滤内核（2D矩阵）作为输入，并将卷积后的图像结果作为灰度图像返回，其大小和数据类型与输入相同图像。 关于扩展卷积 第一部分是边界处理：代码中心对过滤后的图像进行处理（这样，输入和过滤后的图像的内容就不会在它们之间移动），然后通过扩展/复制图像的边缘像素来填充边界区域（“钳到边缘'）。 第二部分是图像过滤：演示了3×3卷积核，用于计算水平，垂直和（任何）对角线图像梯度，并使用锐化蒙版对图像进行锐化。 它还从头开始执行高斯低通滤波，包括5×5内核和1个像素的标准偏差。

卷积神经网络 Lenet5 深度学习，机器学习，训练数据集MNIST，测试集错误率可以到1.06%，C++实现 VC实现 C++源代码 VC源代码

卷积神经网络搭建平台是Pytorch 包含了自己建立的模型与一个迁移模型 数据集已包含在内

CNN_with_CAES_and_DQN 卷积神经网络的组合，其中卷积自动编码器（堆叠式）与深度 Q 网络相结合。 C++代码基于tiny_cnn